ℹ

For context: Teile des Modells wurden per --cpu-offload-gb=80 GB in den System-RAM ausgelagert – RAM wird als erweiterter VRAM genutzt, was den Durchsatz senken kann.

Generation144,58tok/s

Prefill7.077,51tok/s

Time to First Token281,00ms

Total duration14,73s

Concurrency1parallel

Ranking in the field

This GPU All GPUs

7of 70 systems

Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent

This run is better than 91 % of all comparable systems.

Generation 144,6 tok/s

+172 % vs Ø 53,2

Prefill 7.077,5 tok/s

+465 % vs Ø 1.253,3

Time to First Token 281 ms

-97 % vs Ø 11.017

Distribution in the field1 – 276 tok/s

Ø 53 Median Dieser Lauf

Wie schlägt sich dieser Benchmark mit anderen Modellen?

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260728-140953-194348

276,3 tok/s

gpt-oss-20bNVIDIA GeForce RTX 5070 Ti · run-20260727-145956-e481f0

242,3 tok/s

Nemotron-3-Nano-4BNVIDIA GeForce RTX 5070 Ti · run-20260727-090153-f59d6d

233,7 tok/s

gemma-4-E2B-itNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-19b085

228,2 tok/s

Gemma-4-26B-A4B-itNVIDIA GeForce RTX 5070 Ti · run-20260729-032121-c5db85

189,1 tok/s

gemma-4-E4B-it same modelNVIDIA GeForce RTX 5070 Ti · run-20260727-090152-82df54

165,0 tok/s

gemma-4-E4B-it this runNVIDIA GeForce RTX 5070 Ti · run-20260727-032758-68f60a

144,6 tok/s

Meta-Llama-3.1-8B-InstructNVIDIA GeForce RTX 5070 Ti · run-20260728-194135-5497cd

140,9 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5070 Ti · run-20260818-080548-cee82f

138,8 tok/s

Ornith-1.0-9BNVIDIA GeForce RTX 5070 Ti · run-20260730-064527-5981fd

129,0 tok/s

Nemotron-Cascade-2-30B-A3BNVIDIA GeForce RTX 5070 Ti · run-20260818-071253-cd7611

120,0 tok/s

gemma-4-12B-itNVIDIA GeForce RTX 5070 Ti · run-20260728-194136-e59252

92,8 tok/s

Laguna-XS-2.1NVIDIA GeForce RTX 5070 Ti · run-20260730-035053-523ecd

88,5 tok/s

Laguna-XS-2.1NVIDIA GeForce RTX 5070 Ti · run-20260729-224611-599fae

88,4 tok/s

How does this benchmark compare on other GPUs?

Same model on different hardware · 1× concurrent · Generation (tok/s)

NVIDIA GeForce RTX 5090run-20260728-194134-a5655a

247,9 tok/s

NVIDIA RTX PRO 6000 Blackwell Workstation Editionrun-20260727-181607-d807ba

246,5 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-194135-1426a1

223,4 tok/s

3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Editionrun-20260728-194135-5aa8e7

209,0 tok/s

NVIDIA GeForce RTX 5070 Tirun-20260727-090152-82df54

165,0 tok/s

NVIDIA GeForce RTX 3090 Tirun-20260727-142111-abcb0a

155,8 tok/s

NVIDIA GeForce RTX 5070 Ti this runrun-20260727-032758-68f60a

144,6 tok/s

NVIDIA RTX A6000run-20260826-082948-e64f1d

119,6 tok/s

NVIDIA RTX A6000run-20260826-082948-4c5996

87,3 tok/s

Intel Arc Pro B70run-20260729-224611-4e9392

84,7 tok/s

NVIDIA GB10run-20260730-084905-ef5ef1

63,5 tok/s

NVIDIA GB10run-20260729-224611-11c64f

60,5 tok/s

2× NVIDIA GeForce RTX 2060run-20260820-191511-0f4886

53,4 tok/s

NVIDIA Tesla P100 PCIe 16GBrun-20260821-131108-87a70d

43,2 tok/s

Hardware

GPU: NVIDIA GeForce RTX 5070 Ti · 16 GB VRAM
CPU: AMD Ryzen Threadripper PRO 5975WX 32-Cores
RAM: 247 GB
Mainboard: ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI

Setup

Runtime: vLLM
Quantization: -
Model: gemma-4-E4B-it

Configuration

benchmark-konfiguration — run-20260727-032758-68f60a

# LLM-Benchmark Konfiguration # Modell : gemma-4-E4B-it # Engine : vLLM # Run-ID : run-20260727-032758-68f60a # GPU : NVIDIA GeForce RTX 5070 Ti # CPU : AMD Ryzen Threadripper PRO 5975WX 32-Cores # RAM : 247 GB bench@llm-benchmark:~$ /home/godcore/vllm-venv/bin/python3 /home/godcore/vllm-venv/bin/vllm serve google/gemma-4-E4B-it-qat-w4a16-ct \ --served-model-name gemma-4-E4B-it \ --tensor-parallel-size 1 \ --cpu-offload-gb 80 \ --chat-template /home/godcore/tmpl_gemma.jinja \ --dtype auto \ --max-model-len 8192 \ --gpu-memory-utilization 0.85 \ --trust-remote-code \ --host 0.0.0.0 \ --port 8000

Engine?Die Inferenz-Software, die das Modell ausliefert (z.B. vLLM oder llama.cpp). Sie bestimmt Geschwindigkeit, unterstuetzte Modellformate und welche Parameter ueberhaupt verfuegbar sind.	vllm
Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen.	gemma-4-E4B-it
Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann.	8192
Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen.	gemma-4-E4B-it
Tensor-Parallel?Anzahl GPUs, auf die JEDER einzelne Modell-Layer aufgeteilt wird (Tensor-Parallelitaet). Mehr GPUs = mehr VRAM und meist mehr Speed, aber die Anzahl der Attention-Heads muss durch diesen Wert teilbar sein (z.B. 32 Heads -> nur 1, 2, 4, 8 ... moeglich, NICHT 3).	1
cpu-offload-gb?Menge an Modellgewichten in GiB, die in den CPU-RAM ausgelagert wird. Ermoeglicht groessere Modelle als der GPU-Speicher fasst, kostet aber Geschwindigkeit.	80
chat-template?Jinja-Vorlage, die Chat-Nachrichten in den Prompt-Text des Modells umwandelt. Noetig, wenn das Modell keine eigene mitbringt.	/home/godcore/tmpl_gemma.jinja
Dtype?Zahlenformat der Modellgewichte bei der Berechnung (z.B. auto, float16, bfloat16). 'auto' waehlt automatisch das vom Modell empfohlene Format.	auto
Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells.	8192
GPU-Speicher?Anteil des GPU-Speichers (0 bis 1), den vLLM belegen darf. 0.92 = 92 %. Hoeher = mehr Platz fuer den KV-Cache (mehr/laengere parallele Anfragen), aber groesseres Risiko fuer 'Out of Memory'.	0.85

All benchmarks of this model To leaderboard

Model comparison

gemma-4-E4B-it on various hardware

All published performance runs of this model – each bubble a variant: position = prefill (X) × generation (Y), bubble size = number of runs. Closer to the top right = faster. ★ Marked gold = this benchmark.

GPUby graphics card

NVIDIA RTX PRO 6000 Blackwell Workstation Edition 1.758,6 tok/sNVIDIA GeForce RTX 5090 1.606,1 tok/sNVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 1.423,3 tok/s★ NVIDIA GeForce RTX 5070 Ti 1.082,4 tok/s this runNVIDIA GeForce RTX 3090 Ti 983,7 tok/sNVIDIA GB10 (DGX Spark) 488,2 tok/sIntel Arc Pro B70 474,8 tok/sNVIDIA RTX A6000 428,6 tok/sNVIDIA GeForce RTX 2060 133,7 tok/sNVIDIA Tesla P100 PCIe 16GB 97,1 tok/s

CPUby processor

AMD Ryzen 9 9950X 16-Core Processor 1.758,6 tok/sAMD Ryzen 7 5800X3D 8-Core Processor 1.606,1 tok/sAMD Ryzen Threadripper PRO 9965WX 24-Cores 1.423,3 tok/s★ AMD Ryzen Threadripper PRO 5975WX 32-Cores 1.082,4 tok/s this runAMD Ryzen 9 8945HX with Radeon Graphics 983,7 tok/sNVIDIA Grace 488,2 tok/sAMD Ryzen 9 7945HX with Radeon Graphics 474,8 tok/sAMD Ryzen Threadripper PRO 7955WX 16-Cores 428,6 tok/sAMD Ryzen 5 5600X 6-Core Processor 346,3 tok/sIntel(R) Core(TM) i5-7400 CPU @ 3.00GHz 133,7 tok/s

MBby mainboard

ASUSTeK COMPUTER INC. ProArt X870E-CREATOR WIFI 1.758,6 tok/sASUSTeK COMPUTER INC. ROG STRIX B550-A GAMING 1.606,1 tok/sASUSTeK COMPUTER INC. Pro WS WRX90E-SAGE SE 1.423,3 tok/s★ ASUSTeK COMPUTER INC. Pro WS WRX80E-SAGE SE WIFI 1.082,4 tok/s this runMeigao Innovation Technology (Shen Zhen) Co., Ltd DRFXL (MotherBoard Series) 983,7 tok/sASUSTeK COMPUTER INC. GX10 488,2 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd DRFXI (MotherBoard Series) 474,8 tok/sASUSTeK COMPUTER INC. PRIME A520M-K 346,3 tok/sASRock H110 Pro BTC+ 133,7 tok/sShenzhen Meigao Electronic Equipment Co.,Ltd F1FXM (DeskMini Series) 97,1 tok/s

ENGby engine

llama.cpp 1.758,6 tok/s★ vLLM 1.022,8 tok/s this run

DRVby driver

unbekannt 1.758,6 tok/sNVIDIA 590.48.01 / CUDA 13.1 488,2 tok/sIntel 26.18.38308.4 474,8 tok/s

💰 Economics

Economics of this run

Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →

⚙️ ConfigurationAll metrics and charts below follow these settings – based on a 24-month runtime.Save to URL Reset

⚡ Electricity price EUR/kWh

⚙️ System utilization 100 %

🖥️ Acquisition EUR

🔌 Idle 10 W

⚡ TDP 310 W

☁️ External LLM (API) show

Input €/1M Output €/1M Input per output token

Electricity0.30 EUR/kWh

Avg power (incl. idle)310 W estimated (TDP)GPU 300 + Board 10 W full load

Avg cost / hourEUR 0.093

Electricity / 1M tokensEUR 0.18

Token / kWh1.68M

Acquisition (system)EUR 5,000 partial priceGPU EUR 994 · CPU EUR 1,880 · RAM EUR 1,976 · PSU EUR 150

Electricity (2 years)–

TCO (2 years)EUR 6,629

Output tokens (2 years)9.12B

☁️ External LLM (API) – comparison

External LLM cost (2 years)–

Savings vs. external (2 years)–

All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (10 W). Cost per hour drops (more idle), cost per token rises.

Cost over 2 years – electricity only

Cost over 2 years – incl. acquisition (TCO)

Speed vs. tokens per euro

Euro per 1M tokens

Comparison vs. API – economics per benchmark

	gemma-4-E4B-itNVIDIA GeForce RTX 5070 Ti	gemma-4-E4B-itNVIDIA GeForce RTX 5090	gemma-4-E4B-itNVIDIA RTX PRO 6000 Blackwell Workstation Edition	gemma-4-E4B-it3x NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition
Electricity cost (24 mo.)	–	–	–	–
Acquisition cost	–	–	–	–
Total cost (TCO)	–	–	–	–
Generated tokens (24 mo.)	–	–	–	–
Token price via API	–	–	–	–
Break-even point (days)	–	–	–	–
Result (savings / extra cost)	–	–	–	–

NVIDIA GeForce RTX 5070 Ti · this run 145 tok/s NVIDIA GeForce RTX 5090 248 tok/s NVIDIA RTX PRO 6000 Blackwell Workstation Edition 247 tok/s 3× NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition 223 tok/s

Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.

Contributed by

Mario Alka Administrator

@marioalka

Ich bin Unternehmer, Softwareentwickler und KI-Enthusiast. Seit vielen Jahren entwickle ich Unternehmenssoftware und beschäftige mich inzwischen fast täglich mit lokalen LLMs, KI-Agenten und leistungsfähiger KI-Hardware.

Mit LLM-Benchmark.de möchte ich eine Plattform schaffen, auf der Modelle, GPUs und Agenten objektiv und reproduzierbar miteinander verglichen werden.